KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN ALGORITMA · PDF fileiii halaman persetujuan tugas akhir klasifikasi penyakit hipertensi menggunakan algoritma naÏve bayes studi kasus

i

KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN

ALGORITMA NAÏVE BAYES

STUDI KASUS RSU PROVINSI NTB

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun oleh :

Nyoman Wisnu Wardana

125314060

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

CLASSIFICATION OF HYPERTENSION DISEASES

USING NAÏVE BAYES ALGORITHMS CASE STUDY

GENERAL HOSPITAL PROVINCE IN NTB

THESIS

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Komputer Degree

In Informatics Engineering

By :


125314060

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


iii

HALAMAN PERSETUJUAN

TUGAS AKHIR

KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN

ALGORITMA NAÏVE BAYES STUDI KASUS RSU PROVINSI NTB

Oleh :


125314060

Telah disetujui oleh :

Pembimbing,

Albertus Agung Hadhiatma, S.T.,M.T. Tanggal :


iv

HALAMAN PENGESAHAN

SKRIPSI

KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN ALGORITMA

NAÏVE BAYES STUDI KASUS RSU PROVINSI NTB

Studi Data : RSU Provinsi NTB

Yang Dipersiapkan dan Disusun Oleh :


125314060

Telah dipertahankan di depan Panitia Penguji

Pada tanggal 8 November 2016

Dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : P.H Prima Rosa, S.Si., M.Sc . ………………

Sekretaris : Drs. Haris Sriwindono, M.Kom. ………………

Anggota : Albertus Agung Hadhiatma, S.T., M.T. ………………

Yogyakarta, ………….……..

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si.,M.Math.Sc.,Ph.D


v

HALAMAN MOTO

“The wise man lets go of all results, whether good or bad, and is focused on the

action alone. Yoga is skill in actions”

-Bhagavad Gita 2.47-

“When doubts haunt me, when disappointments stare me in the face, and I see

not one ray of hope on the horizon, I turn to Bhagavad Gita”

-Mahatma Gandhi-

SING PENTING YAKIN !


vi

HALAMAN PERSEMBAHAN

Skripsi ini saya persembahkan untuk :

Ida Shang Hyang Widhi Wasa yang telah mendampingi, dan memberikan

ketenangan hati dan pikiran dalam proses pengerjaan skripsi.

Orang tua, kakak, dan keluarga yang selalu memberikan doa, dukungan,

nasihat dalam proses perkuliahan dan pengerjaan skripsi.

Seluruh Dosen dan semua karyawan yang telah memberikan pengetahuan,

bimbingan dan fasilitas selama perkuliahaan.

Teman-teman Teknik Informatika Angkatan 2012 yang telah memberikan

semangat, motivasi, dukungan, dan keceriaan.

Teman-teman kos Tweety dan orang-orang terdekat yang selalu berbagi

keceriaan, suka cita, motivasi dan semangat.


vii

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis tidak

memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam

kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 8 Desember 2016

Penulis



viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma ;

Nama : Nyoman Wisnu Wardana

Nomor Mahasiswa : 125314060

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :

KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN ALGORITMA

NAÏVE BAYES STUDI KASUS RSU PROVINSI NTB

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelolanya di internet atau media lain untuk

kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty

kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal : 8 Desember 2016



ix

ABSTRAK

Hipertensi merupakan penyebab kematian nomor tiga setelah stroke dan

tuberkolosis , yakni mencapai 6,7% kematian pada semua umur di Indonesia. Data

Riskesdas 2007 menyebutkan prevalensi hipertensi di Indonesia berkisar 30%. Di

RSU Propinsi NTB sendiri, jumlah kasus untuk penyakit hipertensi ini tergolong

cukup banyak penderitanya. Pada tahun 2014, didapatkan jumlah kunjungan

sebanyak 3040 pasien, dimana 1537 pasiennya mengidap penyakit hipertensi

primer diantaranya 731 pasien laki-laki dan 806 pasien perempuan.

Dari data penyakit hipertensi yang didapatkan dari RSU Provinsi NTB

tersebut dapat diolah menggunakan proses data mining dengan menggunakan

metode klasifikasi dimana metode ini akan mengelompokkan objek ke dalam

kategori yang sudah ditentukan sebelumnya dengan tujuan untuk memprediksi

kelas target dari setiap record di data baru. Dalam proses klasifikasi akan

digunakan algoritma Naïve Bayesian yang akan melakukan perhitungan

probabilitas untuk nilai kelas yang dibandingkan untuk nantinya nilai probabilitas

yang paling tinggi akan menjadi nilai prediksi.

Keluaran sistem adalah hasil prediksi jenis penyakit hipertensi yang diambil

dari RSU Provinsi NTB. Peneliti melakukan pengujian pada dataset dengan

jumlah 655 record data dan mengggunakan fold benilai 3,5,10,15 dan 20 cross

validation dengan nilai rata-rata tingkat akurasi yang dihasilkan mencapai 92.5%.

Kata kunci : Naïve Bayesian, Cross Validation, Klasifikasi.


x

ABSTRACT

Hypertension is in the third highest cause of death after stroke and

tuberculosis, which reaches 6.7% deaths among all ages in Indonesia. Riskesdas’s

data in 2007 mentions that the prevalence of hypertension in Indonesia is around

30 %. According to the General Hospital in NTB Province, the total case for

hypertension is categorized as a considerable number. In 2014, there are 3040

patients where 1537 patients get primary hypertension, around 731 male patients

and 830 female patients.

The data on hypertension taken from the general hospital in NTB Province

can be processed by using data mining process with classification method where

the method classifies objects which have been determined before, for the purpose

of predicting the class target from each record in a new data. The classification

process will use Naïve Bayesian algorithms which calculate the probability of the

compared class value, in which the highest probability value becomes the

prediction value.

The output system is the final prediction of hypertension diseases. The

researcher conducts a test on the data set with a total of 655 record data and uses

fold that values 3, 5, 10,1 5 and 20 cross validation with an average accuracy

reaching 92.5%.

Keywords : Naïve Bayesian, Cross Validation, Classification.


xi

KATA PENGANTAR

Terima kasih dan segala puji syukur penulis panjatkan kepada Ida Shang Hyang

Widhi Wasa Tuhan Yang Maha Esa, dikarenakan karena anugrah dan kehendakNya

penulis dapat menyelesaikan tugas akhir dengan judul “Klasifikasi Penyakit Hipertensi

menggunakan Algoritma Naïve Bayes Studi Kasus RSU Provinsi NTB”. Tugas akhir

ini ditulis sebagai salah satu syarat untuk memperoleh gelar sarjana program studi

Teknik Informatika, Fakultas Sains dan Teknologi Universitas Sanata Dharma.

Penulis juga mengucapkan terimakasih kepada semua orang yang membantu

penulis dalam menyelesaikan penulisan tugas akhir ini, antara lain kepada :

1. Bapak Sudi Mungkasi, S.Si.,M.Math.Sc.,Ph.D selaku Dekan Fakultas Sains

dan Teknologi Universitas Sanata Dharma Yogyakarta.

2. Ibu Dr. Anastasia Rita Widiarti, S.Si.,M.Kom selaku Kaprodi Teknik

Informatika Universitas Sanata Dharma Yogyakarta.

3. Bapak Albertus Agung Hadhiatma, S.T.,M.T selaku Dosen Pembimbing, yang

telah sabar dalam memberikan bimbingan dan segala masukan sehingga penulis

dapat menyelesaikan tugas akhir ini.

4. Ibu Paulina Heruningsih Prima Rosa, S.Si.,M.Sc. dan Bapak Drs. Haris

Sriwindono, M.Kom. selaku panitia penguji yang telah memberikan kritik dan

saran dalam penulisan tugas akhir.


xii

5. Seluruh dosen dan staff karyawan Program Studi Teknik Informatika

Universitas Sanata Dharma yang telah memberikan bekal ilmu, bimbingan serta

pengalaman dan fasilitas selama saya menempuh studi.

6. Bapak AKBP I Gede Astawa, Ibu Trivina Tribudiastuti S.Kep., Ni Luh Irma

Kumala Astari S.Ant., Ni Made Irene Novianti Astaningtias M.Psi., yang

merupakan keluarga penulis, terimakasih untuk cinta, kasih sayang, doa dan

nasihat selama masa studi dan penulisan tugas akhir.

7. Staff Rekam Medis RSU Provinsi NTB : Dian Karmila Walla selaku Kepala

Rekam Medis RSU Provinsi NTB, Bapak M. Syahrial Luthfi, Ibu Mariatun, Ibu

Baiq Widyanti, Ibu Irmiati atas bantuan, bimbingan dan perhatiannya selama

penulis melakukan penelitian dan pengambilan data.

8. Paulus Dian Wicaksana S.Kom, Audio Alief Kautsar Hartama, Raden

Alexander Purbo, Yohanes Satrio Prabowo, yang telah memberikan bantuan,

perhatian, dukungan dan nasihatnya selama dalam masa bimbingan bersama

dosen pembimbing.

9. Teman-teman Teknik Informatika angkatan 12 yang selalu berbahagia,

khususnya yang tergabung dalam “Ikatan Teknik Informatika Liberal”: Cahyo

Wicaksono, Anjar Nugraha, Daniel Risamasu, Alvin Christanto, Yosua

Gultom, Rekiyan Seto, Thomas Wiga, Fx. Dwi Kurniawan, Agustinus Nyoman

Mariadi, Christian Bayu, Laurensius Haris, Nicolaus Dhesa, Pius Juan,

Henrycus Bagus, Romualdus Vanadio, Alexander Purbo, Adrian Nada, Dian


xiii

Tobias, Ari Manibuy, Stephanus Wijaya, Laurensia Eva, Febrina Cornelia,

Octaviani, Young Queen, Theo Mahardian, Cesarius Agni dan Kevinda

Mahatma yang telah berbagi keramaian, keceriaan, dan suka cita di setiap

pertemuannya.

10. Teman - teman pejuang skripsi yang bersarang di Laboratorium Tugas Akhir :

Dionisius Wisnu selaku Asisten Laboran, Mikael Fajar, Bapak Dosen Pradit,

Agustinus Agri, Vian Juanito, Engelbertus Vione, Kresentia Nita, Vina, Novi,

Tripina Putri.

11. Sahabat tercinta penulis, Ni Nengah Feby Charolina S.H yang selalu

mendengarkan keluhan dan cerita dari setiap masalah penulis, dan memberikan

nasihat, saran, semangat dan suka cita selama proses pengerjaan tugas akhir.

12. Teman-teman UKF Basket FST dan UKM Basket USD khususnya para senior,

Andropo, Murdhiana, Roy, Theo, Fidelis, Aweng, Tedy Wiranata, Gono, Boaz,

Bonifasius, Maleh, Lintang, Dimas, Budi, Awan, Rony, Koh Wen, Epafroditus

dan teman-teman seangkatan Edo, Ezra, yang telah membentuk karakter,

disiplin, dan semangat pantang menyerah kepada penulis.

13. Teman-teman kos tweety : Bonaventura Dian Patria S.Pd., Felicianus Ochatani

S.T., Giovani Batista, Tian, Agapitus Saputra, Aditya Mey Saputra, Tommy

Aprilla, David Tasin, Christian Naibaho, Filfridus Alberto yang telah

memberikan semangat, motivasi, dan berbagi suka cita.


xiv

14. Bruno Mars, Justin Timberlake, Boyce Avenue, Christina Grimmie, Kris

Thomas, Christian Porter, Alex Goot, David Dam, Bria Kelly atas lantunan lagu

– lagunya yang menemani pembuatan tugas akhir.

15. Serta seluruh pihak yang telah membantu penulisan dan pembuatan tugas akhir

baik secara langsung maupun tidaklangsung yang tidak dapat disebutkan satu

persatu.

Akhirnya dengan rendah hati penulis menyadari bahwa tugas akhir ini jauh dari

kata sempurna. Oleh karena itu, penulis mengharapkan kritik dan saran yang

membangun guna memperbaiki tugas akhir ini. Semoga tugas akhir ini dapat berguna

dan bermanfaat bagi semua pihak . Terima kasih.

Yogyakarta, 8 Desember 2016

Penulis


xv

DAFTAR ISI

HALAMAN JUDUL ................................................................................................... i

HALAMAN JUDUL (Bahasa Inggris) ...................................................................... ii

HALAMAN PERSETUJUAN .................................................................................. iii

HALAMAN PENGESAHAN .................................................................................... iv

HALAMAN MOTO .................................................................................................... v

HALAMAN PERSEMBAHAN ................................................................................ vi

HALAMAN PERNYATAAN KEASLIAN KARYA ............................................. vii

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ............................ viii

ABSTRAK .................................................................................................................. ix

ABSTRACT ................................................................................................................. x

KATA PENGANTAR ................................................................................................ xi

BAB I ............................................................................................................................ 1

PENDAHULUAN ....................................................................................................... 1

1.1. Latar Belakang ............................................................................................. 1

1.2. Rumusan Masalah ........................................................................................ 3

1.3. Tujuan ........................................................................................................... 3

1.4. Batasan Masalah .......................................................................................... 3

1.5. Luaran ........................................................................................................... 4

1.6. Metodologi ..................................................................................................... 4

1.7. Sistematika Penulisan .................................................................................. 5

BAB II .......................................................................................................................... 6

LANDASAN TEORI .................................................................................................. 6

2.1 Hipertensi ........................................................................................................... 6

2.1.1 Etiologi ......................................................................................................... 7

2.1.2 Gejala Hipertensi ........................................................................................ 7

2.1.3 Pemeriksaan Penunjang ............................................................................. 8

2.2 Data Mining ....................................................................................................... 9


xvi

2.2.1 Klasifikasi .................................................................................................. 12

2.3 Naïve Bayes ....................................................................................................... 13

2.4 Pengujian .......................................................................................................... 19

2.4.1 K-Fold Cross Validation ........................................................................... 19

2.4.2 Confusion Matrix ....................................................................................... 20

BAB III ....................................................................................................................... 22

METODOLOGI ........................................................................................................ 22

3.1 Data ................................................................................................................... 22

3.2 Analisis Pengolahan Data ............................................................................... 23

3.2.1 Pembersihan Data ..................................................................................... 24

3.2.2 Seleksi Data ............................................................................................... 24

3.2.3 Transformasi Data .................................................................................... 24

3.2.4 Penambangan Data ................................................................................... 25

3.3 Perancangan Sistem ........................................................................................ 25

3.3.1 Diagram Use Case ..................................................................................... 25

3.3.2 Deskripsi Use Case .................................................................................... 26

3.3.3 Skenario Use Case ..................................................................................... 27

3.3.4 Diagram Aktifitas ..................................................................................... 32

3.3.5 Diagram Aktivitas Impor Data ............................................................... 32

3.3.6 Diagram Aktivitas Pilih Fold ................................................................... 33

3.3.7 Diagram Aktivitas Melakukan Uji Akurasi ........................................... 33

3.3.8 Diagram Aktivias Melakukan Uji Data Tunggal ................................... 34

3.4 Perancangan Algoritma Naïve Bayes ............................................................. 34

3.4.1 Menghitung Kelas Frekuensi…………………………………………….34

3.4.2 Menghitung Probabilitas Kelas………………………………………….35

3.4.3 Menghitung Kelas Distribusi Naïve Bayes……………………………...35

3.5 Desain Antarmuka Sistem .............................................................................. 36

3.5.1 Halaman Utama ........................................................................................ 36

3.5.2 Halaman Bantuan ..................................................................................... 37


xvii

3.5.3 Halaman Uji Akurasi ............................................................................... 38

3.5.4 Halaman Uji Data Tunggal ...................................................................... 39

3.6 Perancangan Struktur Data ........................................................................ 40

3.7 Pengujian ....................................................................................................... 41

BAB IV ....................................................................................................................... 43

IMPLEMENTASI SISTEM ..................................................................................... 43

4.1 Spesifikasi Software dan Hardware ................................................................ 43

4.2 Implementasi User Interface ........................................................................ 44

4.2.1 Halaman Beranda ..................................................................................... 44

4.2.2 Halaman Bantuan ..................................................................................... 45

4.2.3 Halaman Uji Akurasi ............................................................................... 46

4.2.4 Halaman Uji Data Tunggal ...................................................................... 47

4.3 Proses Input Data ......................................................................................... 48

4.3.1 Membaca Data Teks ke dalam Sistem .................................................... 49

4.3.2 Menulis Ulang Teks di dalam Sistem ...................................................... 51

4.4 Implementasi Algoritma Naïve Bayes pada Sistem ..................................... 53

4.4.1 Menghitung Frekuensi Kelas ................................................................... 54

4.4.2 Menghitung Probabilitas Kelas ............................................................... 55

4.4.3 Menghitung Kelas Distribusi Naïve Bayes ............................................. 56

4.5 Pengujian .......................................................................................................... 60

4.5.1 Menhitung Evaluasi Cross Validation .................................................... 60

4.5.2 Menghitung Akurasi ................................................................................. 63

4.5.4 Melakukan Pengujian Data Tunggal ...................................................... 65

BAB V ........................................................................................................................ 67

PENGUJIAN DAN ANALISA HASIL ................................................................... 67

5.1 Hasil Pengujian Sistem ................................................................................... 67

5.1.1 Hasil Uji Akurasi ...................................................................................... 67

5.1.2 Hasil Uji Data Tunggal ............................................................................. 75

BAB VI ....................................................................................................................... 78

PENUTUP .................................................................................................................. 78


xviii

6.1 Kesimpulan ...................................................................................................... 78

6.2 Saran ................................................................................................................. 78

DAFTAR PUSTAKA ................................................................................................ 80

LAMPIRAN ............................................................................................................... 81

LAMPIRAN II .......................................................................................................... 82

LAMPIRAN III ......................................................................................................... 91


xix

DAFTAR RUMUS

Rumus 2.1 Perhitungan Probabilitas P(Vj) ............................................................... 14

Rumus 2.2 Perhitungan Probabilitas P(Wk | Vj) ....................................................... 14

Rumus 2.3 Perhitungan Probabilitas Pembelian Komputer ....................................... 16

Rumus 2.4 Perhitungan Probabilitas WK Kategori yes atau no ................................ 16

Rumus 2.5 Perhitungan Probabilitas Menentukan Pembelian Komputer .................. 18

Rumus 2.6 Perhitungan Likelihood ............................................................................ 18

Rumus 2.7 Perhitungan Akurasi Menggunakan Confusion Matrix 2x2 Versi 1 ....... 21

Rumus 2.8 Perhitungan Akurasi Menggunakan Confusion Matrix 2x2 Versi 2 ........ 21

Rumus 4.1 Perhitungan Probabilitas P(Wk | Vj) ....................................................... 53

Rumus 4.2 Perhitungan Probabilitas yes atau no ....................................................... 55


xx

DAFTAR TABEL

Tabel 2.1 Data Buys Computer .................................................................................. 15

Tabel 3.1 Atribut Penyakit Hipertensi ........................................................................ 22

Tabel 3.2 Tabel Ringkasan Use Case ......................................................................... 27

Tabel 3.3 Tabel Skenario Use Case : Impor Data ..................................................... 28

Tabel 3.4 Tabel Skenario Use Case : Pilih Fold ........................................................ 29

Tabel 3.5 Tabel Skenario Use Case : Hitung Akurasi ............................................... 30

Tabel 3.6 Tabel Skenario Use Case : Uji Data Tunggal ........................................... 31

Tabel 5.1 Tabel Hasil Akurasi Sistem ........................................................................ 72


xxi

DAFTAR GAMBAR

Gambar 2.1 Tahapan dalam KDD ............................................................................ 10

Gambar 2.2 Ilustrasi Metode Cross Validation Menggunakan 3 fold ....................... 20

Gambar 2.3 Confusion Matrix 2x2 ............................................................................ 21

Gambar 3.1 Diagram Use Case ................................................................................ 26

Gambar 3.2 Diagram Aktivitas : Mengimpor Data ................................................... 32

Gambar 3.3 Diagram Aktivitas : Memilih Fold ........................................................ 33

Gambar 3.4 Diagram Aktivitas : Melakukan Uji Akurasi ........................................ 33

Gambar 3.5 Diagram Aktivitas : Melakukan Uji Data Tunggal ............................... 34

Gambar 3.6 Desain Halaman Utama ......................................................................... 35

Gambar 3.7 Desain Isi Bar Menu .............................................................................. 36

Gambar 3.8 Desain Halaman Bantuan ..................................................................... 36

Gambar 3.9 Desain Halaman Uji Akurasi ................................................................. 37

Gambar 3.10 Desain Halaman Uji Data Tunggal ...................................................... 38

Gambar 3.11 Struktur Kode Hashmap ..................................................................... 39

Gambar 4.1 Tampilan User Interface Halaman Beranda .......................................... 42

Gambar 4.2 Tampilan User Interface Isi Bar Menu ................................................. 43

Gambar 4.3 Tampilan User Interface Halaman Bantuan .......................................... 43

Gambar 4.4 Tampilan User Interface Halaman Uji Akurasi .................................... 44

Gambar 4.5 Tampilan User Interface Halaman Uji Data Tunggal ............................ 45

Gambar 4.6 Tampilan Kotak Dialog ......................................................................... 46

Gambar 5.1 Dataset yang akan diuji.......................................................................... 66

Gambar 5.2 Hasil Uji Akurasi Menggunakan 3 fold ................................................. 67

Gambar 5.3 Hasil Uji Akurasi Menggunakan 5 fold ................................................. 68

Gambar 5.4 Hasil Uji Akurasi Menggunakan 10 fold .............................................. 69

Gambar 5.5 Hasil Uji Akurasi Menggunakan 15 fold ............................................... 70

Gambar 5.6 Hasil Uji Akurasi Menggunakan 20 fold ............................................... 71

Gambar 5.7 Dataset yang akan diuji ......................................................................... 73

Gambar 5.8 Data Testing atau Data Tunggal yang akan diuji ................................... 74


xxii

Gambar 5.9 Hasil Pengujian Data Tunggal ............................................................... 74

Gambar 5.10 Hasil Prediksi Jumlah Data Benar atau Salah ..................................... 75


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Perkembangan dunia kesehatan saat ini sangatlah penting, itu karena

kesadaran masyarakat akan manfaat kesehatan sudah tinggi sehingga peningkatan

jumlah kesehatan setiap tahun mengalami kenaikan. Dengan demikian bukan tidak

mungkin dapat menimbulkan masalah bagi setiap anggota medis dalam

mendiagnosa dengan baik.

Hipertensi merupakan penyebab kematian nomor tiga setelah stroke dan

tuberculosis , yakni mencapai 6,7% kematian pada semua umur di Indonesia. Data

Riskesdas 2007 menyebutkan prevalensi hipertensi di Indonesia berkisar 30%

dengan insiden komplikasi penyakit kardiovaskular lebih banyak pada perempuan

(52%) dibandingkan laki-laki (48%). Oleh karena dampaknya yang berhubungan

dengan morbiditas dan mortalitas, maka hipertensi merupakan tantangan bagi

kesehatan masyarakat. Di Puskesmas Kelurahan Joglo II, berdasarkan data tahun

2010, terdapat 565 kasus hipertensi dari 15.342 kunjungan sakit, dengan usia

tersering penderita antara 40-70 tahun. Angka ini menempatkan hipertensi pada

urutan terbanyak ketiga setelah ISPA (Infeksi Saluran Pernafasan Akut) dan

mialgia (cedera yang disebabkan oleh infeksi dan virus).

Di RSU Propinsi NTB sendiri, jumlah kasus untuk penyakit hipertensi ini

sendiri tergolong cukup banyak penderitanya. Pada tahun 2014, didapatkan


2

jumlah kunjungan sebanyak 3040 pasien, dimana 1537 pasiennya mengidap

penyakit hipertensi primer diantaranya 731 pasien laki-laki dan 806 pasien

perempuan. Dengan ketersediaan data yang cukup banyak, kebutuhan akan

informasi sebagai pendukung dalam pengambilan keputusan untuk membuat

penanganan medis, serta dukungan infrastruktur di bidang teknologi informasi

menciptakan lahirnya suatu teknologi data mining.

Data mining adalah serangkaian proses untuk menggali nilai tambah

dari suatu kumpulan data, berupa pengetahuan didalam database yang selama ini

tidak diketahui secara manual. Data mining adalah proses yang menggunakan

teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk

mengekstraksi informasi yang bermanfaat dan pengetahuan yang terkait dari

berbagai database besar.

Untuk bisa mendapatkan informasi dari data-data yang ada perlu dilakukan

proses data mining seperti klasifikasi. Klasifikasi yaitu mengelompokkan objek ke

dalam kategori yang sudah ditentukan sebelumnya. Dalam konteks data mining,

klasifikasi dilakukan dengan menggunakan model yang dibangun di atas data.

Tujuan dari klasifikasi secara akurat memprediksi kelas target untuk setiap record

di data baru, yaitu, data yang tidak di data.

Pada penelitian ini akan digunakan satu macam algoritma klasifikasi yaitu

algoritma klasifikasi Naïve Bayes. Dalam penilaian model, Naïve Bayes

membentuknya dengan sangat cepat, juga mengukur secara linear jumlah


3

prediktor dan baris. Naïve Bayes membuat prediksi menggunakan teorema Bayes

melalui prediksi probabilitas dari bukti yang mendasari. Dalam prakteknya, Naïve

Bayes tidak menurunkan akurasi dari model prediksi secara signifikan dan

membuat perbedaan kecepatan antara algoritma komputasional. Dengan

dibuatnya sistem ini dengan algoritma Naïve Bayes diharapkan dapat membantu

tenaga medis dalam memberikan penanganan kepada pasien yang mengidap

penyakit hipertensi dengan tiap jenis yang berbeda.

1.2. Rumusan Masalah

Masalah yang dirumuskan dalam penelitian ini adalah bagaimana

algoritma klasifikasi Naïve Bayes dapat diterapkan untuk mendeteksi dan

mengklasifikasikan jenis penyakit hipertensi pada data yang didapatkan dari RSU

Provinsi NTB.

1.3. Tujuan

Tujuan dari penelitian ini adalah untuk menerapkan algoritma Naïve Bayes

dalam melakukan klasifikasi, mengenali jenis penyakit hipertensi dan

memberikan hasil akurasi pada data penyakit hipertensi dengan tepat.

1.4. Batasan Masalah

Batasan masalah dari penelitian ini adalah :

1. Algoritma klasifikasi yang digunakan adalah algoritma Naïve Bayes.

2. Data yang digunakan adalah data hasil uji laboratorium RSU Provinsi NTB

untuk penyakit hipertensi sepanjang tahun 2014-2015.


4

3. Atribut yang digunakan dari data penyakit hipertensi sejumlah 16 atribut dan

sudah termasuk kelas, yaitu jenis kelamin (sex), umur, hemoglobin (HGB),

hematocrit (HCT), white blood cell (WBC), platelets (PLT), asam urat,

kolesterol LDL, kolesterol HDL, kolesterol total, kreatinin, sistolik, diastolik,

ureum dan kelas prediksi.

4. Hasil dari output sistem yang akan dibuat ini adalah tingkat persentase akurasi

berdasarkan input dari atribut data penyakit hipertensi, hasil probabilitas dan

prediksi jenis penyakit hipertensi dari pengujian data tunggal, serta

memberikan hasil jumlah data salah dan benar.

1.5. Luaran

Sistem yang dibuat secara otomatis dapat melakukan klasifikasi, mengetahui

tingkat akurasi dan memperkirakan jenis penyakit hipertensi.

1.6. Metodologi

Metodologi penelitian yang digunakan dalam penelitian ini antara lain :

1. Studi literatur untuk mempelajari data mining dan algoritma klasifikasi Naïve

Bayes.

2. Analisis data untuk melakukan klasifikasi terhadap penyakit hipertensi.

3. Pengujian menggunakan k-fold cross validation dengan membagi data training

dan data testing, dan confusion matrix untuk mengetahui tingkat akurasi dari

algoritma Naïve Bayes yang digunakan.


5

1.7. Sistematika Penulisan

BAB I merupakan pendahuluan yang berisikan latar belakang, rumusan

masalah, tujuan, batasan masalah, keluaran yang dihasilkan, metodologi dan

sistematika penulisan.

BAB II merupakan landasan teori yang dipakai untuk pembuatan dan

penyusunan tugas akhir.

BAB III merupakan metodologi penelitian yang berisikan tentang data

penyakit hipertensi, alur proses training dan testing serta penjelasan rancangan

sistem yang akan dibuat.

BAB IV merupakan implementasi sistem yang akan membahas hasil

implementasi sistem yang telah dirancang.

BAB V merupakan analisis hasil yang berisikan tentang analisis sistem yang

telah dirancang pada bab IV.

BAB VI merupakan penutup yang berisikan kesimpulan dan saran dari

penelitian yang telah dilakukan.


6

BAB II

LANDASAN TEORI

Pada bab ini, akan dijelaskan secara singkat tentang teori-teori yang

digunakan dalam penulisan penelitian, antara lain tentang hipertensi, data mining,

klasifikasi, algoritma klasifikasi Naïve Bayes, dan cross-validation. Teori-teori

tersebut dijelaskan sebagai berikut :

2.1 Hipertensi

Hipertensi atau peningkatan tekanan darah adalah keadaan dimana supply

oksigen dan nutrisi dibawa oleh darah terhambat dalam proses pengirimannya ke

jaringan tubuh yang membutuhkan. Penyakit ini dapat menimbulkan gangguan

pada organ tubuh yang lain karena menyebabkan organ-organ tersebut harus

bekerja lebih keras. Pada awalnya menderita penyakit ini tidak ada tanda-tanda

yang muncul sehingga tidak dapat di deteksi. Hipertensi baru akan terdeteksi

ketika dilakukan pemeriksaan untuk penyakit yang berkaitan dengan hipertensi

seperti pemeriksaan diabetes, stroke dan sebagainya. Oleh karena itu penyakit ini

dikenal dengan nama silent killer. (Rika Anisa, 2013)

Hipertensi adalah salah satu penyakit yang umun melanda di dunia dan

merupakan faktor risiko penting untuk penyakit jantung serta kontributor utama

mortalitas dan morbiditas baik di negara maju maupun di negara berkembang.

Menurut laporan kesehatan dunia, pada tahun 2002, sekitar 600 juta orang di

seluruh dunia menderita hipertensi. Hipertensi diperkirakan menyebabkan 7,1 juta


7

kematian setiap tahunnya, angka tersebut mewakili sekitar 13% dari total

kematian. Di berbagai negara di Asia, prevalensi hipertensi bervariasi, berkisar

antara 15 – 35%. Angka tersebut diperkirakan akan terus meningkat setiap

tahunnya. Misalnya, prevalensi hipertensi di Vietnam pada tahun 2002 sebesar

14,1% dan hipertensi juga merupakan penyakit yang menyebabkan sejumlah besar

kematian di rumah sakit.

2.1.1 Etiologi

Berdasarkan jurnal ilmiah Joint National Comitte on Detection, Evaluation,

and Treatment of High Blood Pressure (JNC) hipertensi telah dikelompokkan ke

dalam klasifikasi normal, pre, stadium 1 dan stadium 2. Sedangkan untuk jenis

hipertensi sendiri dibagi menjadi 2 yaitu hipertensi primer dan hipertensi

sekunder.

2.1.2 Gejala Hipertensi

Hipertensi sulit disadari oleh seseorang dikarenakan hipertensi tidak

memiliki gejala khusus. Gejala-gejala yang mudah diamati antara lain yaitu :

a. Pusing atau sakit kepala

b. Sering gelisah

c. Wajah merah

d. Tengkuk terasa pegal

e. Mudah marah

f. Telinga berdengung


8

g. Sukar tidur

h. Sesak nafas

i. Rasa berat di tengkuk

j. Mudah lelah

k. Mata berkunang-kunang

l. Mimisan (keluar darah dari hidung)

Hipertensi dapat diketahui dengan mengukur tekanan darah secara teratur.

Penderita hipertensi apabila tidak ditangani dengan baik akan mempunyai resiko

besar untuk meninggal karena komplikasi kardiovaskular seperti stroke, serangan

jantung, gagal jantung dan gagal ginjal.

2.1.3 Pemeriksaan Penunjang

Pemeriksaan penunjang umunya diperlukan untuk membantu mengevaluasi

tingkat hipertensi pasien. Penilaian berulang terhadap fungsi renal, elektrolit

serum, gula darah puasa, dan lemak dapat dilakukan setelah pemberian obat-

obatan antihipertensi yang baru, dan tiap tahun atau secara sering diperiksa jika

secara klinis diperlukan. Uji laboratorium yang lebih ekstensif diperlukan jika

pasien mengalami resistensi obat atau ketika evaluasi klinis menemukan suatu

bentuk hipertensi sekunder.

Pemeriksaan penunjang lainnya dapat berupa EKG, dengan mengamati

tanda-tanda sekunder dari hipertensi, seperti pembesaran jantung, maupun gagal

jantung.


9

Pemeriksaan penunjang terdiri atas:

a. Tes darah rutin

b. Glukosa darah (sebaiknya puasa)

c. Kolesterol total serum

d. Kolesterol LDL dan HDL serum

e. Trigilserida serum (puasa)

f. Asam urat serum

g. Kreatinin serum

h. Kalium serum

i. Hemoglobin dan hematokrit

j. Urinalisis

k. Elektrokardiogram

Pada pasien hipertensi, beberapa pemeriksaan untuk menentukan adanya

kerusakan organ target dapat dilakukan secara rutin, sedang pemeriksaan lainnya

hanya dilakukan bila ada kecurigaan yang didukung oleh keluhan dan gejala pasien.

2.2 Data Mining

Data mining adalah proses pengumpulan informasi penting dari sejumlah data

besar yang tersimpan di dalam basis data, gudang data, atau tempat penyimpanan

lainnya. Data mining merupakan proses yang tidak dapat dipisahkan dengan

Knowledge Discovery in Database (KDD), karena penambangan data adalah salah


10

satu dari tahap dalam proses KDD (Han & Kamber, 2006) seperti yang ditunjukkan

pada gambar 2.1

Gambar 2.1 Tahapan dalam KDD (Han & Kamber, 2006)

Menurut Han dan Kamber (2006), tahapan-tahapan dalam proses KDD

adalah sebagai berikut :

1. Pembersihan data (Data Cleaning)

Pembersihan data merupakan proses untuk menghilangkan data yang

mengandung noise, atau data yang tidak konsisten.

2. Integritas data (Data Integration)

Pada tahap ini akan dilakukan penggabungan data yang berasal dari

berbagai sumber.

3. Seleksi data (Data Selection)


11

Pada tahap ini akan dilakukan pemilihan data yang relevan dari database.

4. Transformasi data (Data Transformation)

Pada tahap ini data akan ditransformasikan kedalam format yang sesuai

untuk diproses dalam penambangan data.

5. Penambangan data (Data Mining)

Penambangan data merupakan proses penting dimana metode akan

disistemkan untuk mengekstrak pola data.

6. Evaluasi pola (Pattern Evaluation)

Pada tahap ini, pola/model yang dihasilkan dari teknik data mining akan

mengidentifikasi pola-pola yang menarik berdasarkan ukuran tertentu

7. Presentasi pengetahuan (Knowledge Presentation)

Pada tahap ini akan dilakukan teknik visualisasi yang digunakan untuk

menampilkan pengetahuan hasil proses mining kepada pengguna.

Data mining juga dibagi menjadi beberapa kelompok berdasarkan tugas

yang dapat dilakukan, yaitu.:

1. Deskripsi, terkadang peneliti dan analis secara sederhana ingin mencoba

mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat

dalam data.

2. Estimasi, estimasi hampir sama dengan klasifikasi, kecuali variabel target

estimasi lebih ke arah numerik dari pada ke arah kataegori. Model dibangun


12

menggunakan record lengkap yang menyediakan nilai variabel target

sebagai nilai prediksi.

3. Prediksi, prediksi hampir sama dengan klasifikasi dan estimasi, kecuali

bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang.

4. Klasifikasi, dalam klasifikasi, terdapat target variabel kategori. Sebagai

contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori,

yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklusteran, pengklusteran merupakan pengelompokan record,

pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang

memiliki kemiripan. Kluster adalah kumpulan record yang memiliki

kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan

record-record dalam kluster lain.

6. Asosiasi, asosiasi dalam data mining adalah menemukan atribut yang

muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis

keranjang belanja.

2.2.1 Klasifikasi

Klasifikasi adalah suatu fungsionalitas data mining yang akan menghasilkan

model untuk memprediksi kelas atau kategori dari objek-objek di dalam basis data.

Klasifikasi merupakan proses yang terdiri dari dua tahap, yaitu tahap pembelajaran

dan tahap pengklasifikasian.


13

Pada tahap pembelajaran, sebuah algoritma klasifikasi akan membangun

sebuah model klasifikasi dengan cara mengalisis training data. Tahap

pembelajaran dapat juga dipandang sebagai tahap pembentukan fungsi atau

pemetaan Y=F(X) dimana Y adalah kelas hasil prediksi dan X adalah tuple yang

ingin diprediksi kelasnya. Selanjutnya pada tahap pengklasifikasian, model yang

telah dihasilkan akan digunakan untuk melakukan klasifikasi.

2.3 Naïve Bayes

Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan

statistik yang dikemukakan oleh ilmuan Inggris Thomas Bayes, yaitu

memprediksi peluang di masa depan berdasarkan pengalaman di masa

sebelumnya sehingga dikenal sebagai teorema Bayes dengan asumsi

indenpendensi (ketidaktergantungan) yang kuat (naif). Dengan kata lain, dalam

Naïve Bayes model yang digunakan adalah model dengan fitur indenpenden

(Prasetyo, 2012).

Algoritma Naïve Bayes sendiri memiliki dua tahap dalam proses klasifikasi,

yaitu tahap pembelajaran dan tahap pengujian klasifikasi. Pada tahap

pembelajaran dilakukan proses analisis terhadap sampel dokumen berupa

pemilihan vocabulary, yaitu kata yang mungkin muncul dalam koleksi sampel

dokumen yang sedapat mungkin dapat menjadi representasi dokumen.

Selanjutnya adalah penentuan probabilitas prior bagi tiap kategori berdasarkan


14

sampel dokumen. Pada tahap klasifikasi ditentukan nilai kategori dari dokumen

berdasarkan term yang muncul dalam dokumen yang diklasifikasi.

Untuk melakukan perhitungan nilai kelas yang akan dibandingkan (yes or

no) mengunakan algoritma Naïve Bayes maka dilakukan perhitungan probabilitas

P(Vj) dengan rumus sebagai berikut :

P(Vj) = |docj|

|Contoh|

Rumus 2.1 Perhitungan probabilitas P(Vj).

Docj adalah banyaknya dokumen yang memiliki kategori j dalam

pembelajaran, sedangkan contoh adalah banyaknya dokumen dalam contoh yang

digunakan untuk pembelajaran. Untuk nilai P(Wk|Vj), yaitu probabilitas kata wk

dalam kategori j, ditentukan dengan rumus sebagai berikut :

P(Wk|Vj) = Nk+1

N+|vocabulary|

Rumus 2.2 Perhitungan probabilitas P(Wk | Vj)

Nk adalah frekuensi munculnya kata wk dalam dokumen yang berkategori

vj ditambah 1, hal ini berfungsi untuk menghindari angka nol dalam data atau

biasa disebut Laplace Smoothing, sedangkan nilai N adalah banyaknya seluruh

data dalam dokumen berkategori vj, dan vocabulary adalah banyaknya kata

dalam pembelajaran. Berikut contoh kasus menggunakan data buys computer

yang akan diselesaikan dengan algoritma Naïve Bayes :


15

Tabel 2.1 Data Buys Computer

RID Age Income Student Credit_Rating Class

1. 29 High No Fair No

2. 29 High No Excellent No

3. 31..40 High No Fair Yes

4. 41 Medium No Fair Yes

5. 41 Low Yes Fair Yes

6. 41 Low Yes Excellent No

7. 31..40 Low Yes Excellent Yes

8. 29 Medium No Fair No

9. 29 Low Yes Fair Yes

10. 41 Medium Yes Fair Yes

11. 29 Medium Yes Excellent Yes

12. 31..40 Medium No Excellent Yes

13. 31..40 High Yes Fair Yes

14. 41 Medium No Excellent No

Berdasarkan data pada tabel 2.1., model Naïve Bayes Classifier adalah

sebagai berikut :

1. Tentukan P(yes) sebagai probabilitas orang yang membeli komputer dan

P(no) sebagai probabilitas orang yang tidak membeli komputer dengan

rumus sebagai berikut :


16

P(yes/no) = |doc j|

|Contoh|

Rumus 2.3 Perhitungan probabilitas pembelian komputer dan tidak

membeli komputer.

Dimana doc j adalah banyaknya dokumen yang memiliki kategori j

dalam pembelajaran, sedangkan Contoh adalah banyaknya dokumen

dalam contoh yang digunakan untuk pembelajaran. Berikut hasil dari

perhitungan menggunakan rumus diatas :

P(Yes) = 9/14 = 0.64

P(No) = 5/14 = 0.36

2. Kemudian tentukan P(Wk|Yes) dan P(Wk|No) yaitu probabilitas kata wk

dalam kategori yes atau no ditentukan dengan rumus berikut :

P(Wk|Yes) = Nk+1

N+|Vocabulary|

Rumus 2.4 Perhitungan probabilitas WK dalam kategori yes atau no

Nk adalah frekuensi munculnya kata wk dalam dokumen yang ber

kategori yes atau no, sedangkan nilai n adalah banyaknya seluruh kata

dalam dokumen berkategori yes atau no, dan vocabulary adalah

banyaknya kata dalam contoh pembelajaran. Berikut hasil dari

perhitungan probabilitas kata wk :


17

a. Probabilitas kelas Age (W1)

P(W1=<30|Yes)=(2+1)/(36+10)=0.06

P(W1=<30|No)=(3+1) /(20+10)=0.13

P(W1=31..40|Yes)=(4+1)/(36+10)=0.10

P(W1=31..40|No)=(0+1)/(20+10)=0.03

P(W1=>40|Yes)=(3+1)/(36+10)=0.08

P(W1=>40|No)=(2+1)/(20+10)=0.1

b. Probabilitas kelas Income (W2)

P(W2=low|Yes)=(3+1)/(36+10)=0.08

P(W2=low|No)=(1+1)/(20+10)=0.06

P(W2=medium|Yes)=(4+1)/(36+10)=0.10

P(W2=medium|No)=(2+1)/(20+10)=0.1

P(W2=high|Yes)=(2+1)/(36+10)=0.06

P(W2=high|No)=(2+1)/(20+10)=0.1

c. Probabilitas kelas Student (W3)

P(W3=yes|Yes)=(6+1)/(36+10)=0.17

P(W3=yes|No) =(1+1)/(20+10)=0.06

P(W3=no|Yes)=(3+1)/(36+10)=0.08

P(W3=no|No)=(4+1)/(20+10)=0.16


18

d. Probabilitas kelas Credit_Rating (W4)

P(W4=fair|Yes)=(6+1)/(36+10)=0.15

P(W4=fair|No)=(2+1)/(20+10)=0.1

P(W4=excelent|Yes)=(3+1)/(36+10)=0.08

P(W4=excelent|No)=(3+1)/(20+10)=0.13

3. Langkah sekanjutnya adalah mencari nilai probabilitas data testing. Jika

diketahui umur 29 tahun, berpenghasilan tinggi (high), bukan pelajar,

dan peringkat rating (credit_rating) fair, maka perhitungan probabilitas

untuk menentukan membeli komputer atau tidak adalah :

P(X|Y=yes) =

P(Yes)*(E1=<30|Yes)*P(E2=high|Yes)*P(E3=No|Yes)*P(E4=fair|Yes)

= 0.64*0.06*0.06*0.08*0.15 = 3.61 * 10-5

P(X|Y=no) =

P(E1=<30|No)*P(E2=high|No)*P(E3=No|No)*P(E4=fair|No)

= 0.36*0.13*0.1*0.16*0.1 = 7.93 * 10-5

Rumus 2.5 Perhitungan probabilitas menentukan pembelian komputer

Setelah didapatkan hasil likelihood maka hasil tersebut dibagi dengan

total hasil likelihood agar mendapatkan nilai probabilitas :

P(X|Y=yes) = 3.61 * 10-5/(3.61 * 10-5+7.93 * 10-5) = 0.31

P(X|Y=no)=7.93 * 10-5/(3.61 * 10-5+7.93 * 10-5) = 0.69

Rumus 2.6 Perhitungan likelihood untuk menentukan nilai probabilitas


19

Berdasarkan hasil perhitungan tersebut, nilai dari probabilitas tidak

(0,69) lebih besar jika dibandingkan dengan nilai probabilitas ya (0,31),

sehingga dapat disimpulkan bahwa untuk kasus ini calon pembeli yang

berumur 29 tahun, berpenghasilan tinggi, bukan pelajar, dan memiliki

credit rating fair masuk dalam kelas yang tidak membeli komputer.

2.4 Pengujian

2.4.1 K-Fold Cross Validation

Cross-validasi adalah metode statistik yang mengevaluasi dan

membandingkan algoritma pembelajaran dengan membagi data menjadi dua yaitu

data training dan data testing. Bentuk dari cross validation adalah k-fold cross

validation (Payam R., Lie Tang dan Huan Liu. 2008).

Metode k-fold cross validation yang sering dipakai adalah 3-fold cross

validation dan 5-fold cross validation. Dalam cross-validation, tentukan nilai

folds atau partisi untuk data. Prinsip dari k-fold cross validation adalah membagi

tiap kelompok data menjadi k bagian kelompok data yang selanjutnya data

tersebut secara bergantian akan digunakan untuk training dan testing sejumlah k

pengujian. Berikut gambar dari metode Cross Validation.


20

Gambar 2.2 Ilustrasi metode Cross Validation menggunakan 3 fold

2.4.2 Confusion Matrix

Dalam mengukur keakuratan akurasi dari hasil klasifikasi, dapat

menggunakan metode confusion matrix. Confusion matrix adalah media yang

berguna untuk menganalisis seberapa baik classifier dapat mengenali tupel dari

kelas yang berbeda (Tan, Steinbach, & Kumar, 2006). Pada pengerjaannya,

confusion matrix memiliki 2 kelas yang diistilahkan menjadi tupel positif dan

tupel negatif. True positive menunjukkan bahwa pada tupel positif yang diberi

label dengan tepat oleh classifier, sementara true negative adalah tupel negatif

yang diberi label dengan tidak tepat oleh classifier. Selanjutnya, terdapat tupel

false positive yaitu tupel negative yang diberi label dengan tidak tepat oleh

classifier, demikian pula dengan false negative, adalah tupel positif yang diberi

label tidak tepat oleh classifier. Dari penjelasan diatas, berbagai istilah tersebut


21

nantinya berfungsi untuk menganalisis kemampuan classifier dan diringkas dalam

gambar di bawah ini.

Gambar 2.3 Confusion Matrix untuk matrix 2x2 (Tan, Steinbach, & Kumar,

2006)

Misalkan terdapat confusion matrix 2x2 seperti pada gambar diatas, maka

rumus yang akan digunakan untuk menghitung akurasi dari klasifikasi adalah

sebagai berikut :

Rumus 2.7 Perhitungan akurasi dari klasifikasi menggunakan confusion

matrix versi 1

Rumus diatas juga dapat didefinisikan seperti pada rumus berikut :

Rumus 2.8 Perhitungan akurasi dari klasifikasi menggunakan confusion

matrix versi 2


22

BAB III

METODOLOGI

Bab metodologi ini berisi gambaran proses yang akan dilakukan dalam

penelitian dan cara kerja sistem.

3.1 Data

Dalam penelitian ini, sistem mengklasifikasikan jenis-jenis hipertensi yang

diidentifikasi dari data yang didapatkan dari rekam medis RSU Provinsi NTB

sepanjang tahun 2014 dan 2015 menggunakan algoritma Naïve Bayes. Data ini

berjumlah 654, dengan 16 atribut termasuk atribut kelas, yaitu Jenis Kelamin (Sex)

Umur, Hemoglobin (HGB), Hematokrit (HCT), White Blood Cell (WBC), PLT,

Asam Urat (Uric Acid), Kolesterol total serum, Kolesterol LDL, Kolesterol HDL,

Kreatinin, Tekanan Darah (Sistolik dan Diastolik), Trigilserida, dan Ureum.

Adapun tiap atribut yang disebutkan diatas memiliki nilai rujukan yang dapat

dilihat pada tabel dibawah :

Tabel 3.1 Atribut Penyakit Hipertensi

Data Nilai Rujukan Satuan

Jenis Kelamin - -

Umur - -

HGB L : 13.0 – 18.0 Mg %


23

P : 11.5 – 16.5

HCT L : 40.0 – 50.0

P : 37.0 – 45.0

Mg %

WBC 4.0 – 11.0 Mg %

PLT 150 - 400 Mg %

Asam Urat L : 3.5 – 7.2

P : 2.6 – 6.0

Mg %

Kolesterol LDL < 130 Mg %

Kolesterol HDL < 45 Mg %

Kolesterol Total < 200 Mg %

Kreatinin L : 0.9 – 1.3

P : 0.6 – 1.1

Mg %

Ureum 6 - 26 Mg %

Trigilserida < 200 Mg %

Sistolik <120 - >=160 mmHG

Diastolik <80 - >=100 mmHG

3.2 Analisis Pengolahan Data

Sebelum data diolah menggunakan sistem yang akan dirancang, dilakukan

metode pemrosesan data awal terlebih dahulu sesuai dengan proses KDD.

Terdapat 4 langkah dalam melakukan pemrosesan data awal, yaitu pembersihan

data (data cleaning), seleksi data, transformasi data, dan penambangan data.


24

3.2.1 Pembersihan Data

Pada tahap ini akan dilakukan pembersihan data yang tidak lengkap, kosong

(null), noise, dan data yang tidak konsisten. Dalam langkah ini, data yang bernilai

kosong (null), akan dibersihkan dengan cara dihapus secara manual, dan akan

dilakukan penghapusan atribut atau mengganti data tersebut. Pembersihan data

dilakukan setelah proses integrasi dan seleksi data, dikarenakan proses tersebut

akan memudahkan proses pencarian data, sementara proses seleksi data akan

mengurangi jumlah data yang akan dibersihkan.

3.2.2 Seleksi Data

Pada tahap ini, akan dilakukan penyelesaian data untuk mengurangi data

yang tidak relevan, dan berlebihan (redundant). Menurut Tan, Steinbach, dan

Kumar (2006), atribut yang tidak relevan adalah atribut yang berisi informasi yang

tidak berguna unutk melakukan penambangan data, sedangkan atribut yang

berlebihan (redundant) adalah atribut yang menduplikasikan banyak atau semua

informasi yang terdapat di dalam satu atau lebih pada atribut lainnya.

3.2.3 Transformasi Data

Pada tahap ini akan dilakukan transformasi data. Data hipertensi

diklasifikasikan menjadi beberapa jenis sesuai dengan jurnal ilmiah Joint National

Comitte on Detection, Evaluation, and Treatment of High Blood Pressure (JNC).


25

3.2.4 Penambangan Data

Data yang telah diproses pada tahap sebelumnya kemudian akan diuji

menggunakan algoritma Naïve Bayes. Langkah awal adalah proses input dimana

sistem akan membaca data teks. Setelah data dibaca, data berupa string akan

tercampur di dalam satu baris data, sehingga data perlu dipisah untuk kemudian

diubah ke tipe data double kecuali data kelas, yaitu normal, pre, stadium 1, stadium

2 sehingga data dapat diproses ke dalam perhitungan klasifikasi. Untuk melakukan

pemrosesan data tersebut maka sistem perlu menulis ulang data teks hipertensi

sehingga data teks hipertensi dapat diproses oleh sistem dan menghasilkan output

berupa hasil akurasi dan prediksi jenis hipertensi.

3.3 Perancangan Sistem

Pada bagian ini, akan dijelaskan tentang gambaran sistem yang akan

dibangun, yaitu berupa diagram Use Case, skenario Use Case, diagram aktifitas,

dan desain antarmuka sistem.

3.3.1 Diagram Use Case

Aktor dari sistem ini hanya pengguna. Fungsi utama yang dapat dilakukan

oleh pengguna adalah melakukan klasifikasi. Pengguna juga dapat mengimpor

data dan menentukan jumlah fold.


26

Ketika sistem melakukan fungsi klasifikasi, sistem akan melakukan proses

cross validation, menghitung akurasi dan menampilkan hasil (output) berupa

jumlah akurasi dan waktu proses dari algoritma Naïve Bayes.

Gambar 3.1 Diagram Use Case

3.3.2 Deskripsi Use Case

Fungsi yang dapat dilakukan oleh pengguna terhadap sistem yang dijelaskan

pada diagram use case dapat di deskripsikan sebagai berikut


27

Tabel 3.2 Tabel Ringkasan Use Case

No. Nama Use Case Deskripsi Use Case

1 Impor data Fungsi ini digunakan untuk memasukkan data

ke dalam sistem menggunakan file yang

berekstensi .data. Data yang dimasukkan akan

di klasifikasikan menggunakan algoritma

Naïve Bayes.

2 Pilih fold Fungsi ini digunakan untuk menentukan

jumlah fold yang digunakan dalam proses

cross validation.

3 Hitung Akurasi Fungsi ini digunakan untuk menghitung

tingkat akurasi untuk kemudian mendapatkan

hasil berupa nilai akurasi dan error rate.

4 Uji Data Tunggal Fungsi ini digunakan untuk melakukan proses

pengujian data tunggal untuk kemudian

mendapatkan hasil berupa prediksi kelas dan

nilai probabilitas tiap kelas.

3.3.3 Skenario Use Case

Skenario use case merupakan penjabaran dari masing-masing use case yang

terdapat pada diagram use case.


28

Tabel 3.3 Tabel Skenario Use Case : Impor Data

Nama Use Case Impor data

Deskripsi

Use Case

Use case ini digunakan untuk memasukkan data ke dalam

sistem menggunakan file yang berekstensi .data

Pra Kondisi -

Langkah

Umum

Kegiatan Aktor Respon Sistem

Pengguna menekan

tombol open

Sistem menampilkan kotak

dialog open file

Pengguna memilih file

yang diinginkan dan

menekan tombol open

Sistem membaca file dan

menampilkan lokasi file ke

dalam sistem

Alternatif -


29

Kesimpulan Use case ini berhenti apabila data telah masuk dan terbaca

oleh sistem.

Tabel 3.4 Tabel Skenario Use Case : Pilih Fold

Nama Use Case Pilih fold

Deskripsi Use

Case

Use case ini digunakan untuk menentukan jumlah fold

yang akan digunakan dalam proses cross validation.

Pra Kondisi Data telah diimpor

Langkah Umum Kegiatan Aktor Respon Sistem

Pengguna memilih

jumlah fold yang

diinginkan.

Sistem mengeset angka yang

telah diganti sebagai fold.

Alternatif

Kesimpulan Use case ini berhenti apabila telah memilih angka di combo

box dan menekan tombol proses.


30

Tabel 3.5 Tabel Skenario Use Case : Hitung Akurasi

Nama Use Case Hitung Akurasi

Deskripsi Use

Case

Use case ini digunakan untuk melakukan proses uji akurasi

dan menghitung akurasi. Pengguna dapat melihat hasil

akurasi yang dihasilkan.

Pra Kondisi - Data telah dimasukkan ke dalam sistem.

- Jumlah fold telah ditentukan


Pengguna menekan

tombol proses

Sistem menampilkan hasil

akurasi, dan error rate.

Alternatif -

Kesimpulan Use case ini berhenti apabila telah berhasil menampilkan

hasil akurasi, error rate dan jumlah data salah dan benar.


31

Tabel 3.6 Tabel Skenario Use Case : Uji Data Tunggal

Nama Use Case Uji Data Tunggal

Deskripsi Use

Case

Use case ini digunakan untuk melakukan proses uji data

tunggal dan menghitung probabilitas tiap kelas. Pengguna

dapat melihat hasil probabilitas dan hasil prediksi yang

dihasilkan oleh sistem.

Pra Kondisi - Data telah dimasukkan ke dalam sistem.


Pengguna menekan

tombol proses

Sistem menampilkan hasil

prediksi dan nilai probabilitas

Alternatif -

Kesimpulan Use case ini berhenti apabila telah berhasil menampilkan

hasil prediksi dan nilai probabilitas tiap kelas.


32

3.3.4 Diagram Aktifitas

Diagram aktifitas ini digunakan untuk menunjukkan kegiatan yang

dilakukan oleh pengguna dan sistem dalam setiap use case. Berikut rincian

diagram aktifitas dari sistem yang dibuat :

3.3.5 Diagram Aktivitas Impor Data

Gambar 3.2 Diagram Aktivitas Mengimpor Data


33

3.3.6 Diagram Aktivitas Pilih Fold

Gambar 3.3 Diagram Aktivitas Memilih Fold

3.3.7 Diagram Aktivitas Melakukan Uji Akurasi

Gambar 3.4 Diagram Aktivitas Melakukan Uji Akurasi


34

3.3.8 Diagram Aktivias Melakukan Uji Data Tunggal

Gambar 3.5 Diagram Aktivitas Melakukan Uji Data Tunggal

3.4 Perancangan Algoritma Sistem Naïve Bayes

Pada bagian ini akan disebutkan bagaimana proses sistem dalam

menjalankan algoritma Naïve Bayes.

3.4.1 Menghitung Kelas Frekuensi

1. Deklarasikan FrekuensiKelas bertipe double[].

2. Untuk i=0, dan selama memenuhi i<numClasses lakukan

FrekuensiKelas[i] = 0

3. Selama Instance inst : Instances2Train lakukan

FrekuensiKelas[Classname2IndexCCountermap.get(inst.classValue())]

++.

4. Kembalikan nilai FrekuensiKelas.


35

3.4.2 Menghitung Probabilitas Kelas

1. Deklarasikan probs dan freq bertipe double[].

2. Untuk k=0, dan selama k<numClasses lakukan probs[k] = (freq[k] + 1)

/ (numInstances + numClasses).

3. Kembalikan nilai probs.

3.4.3 Menghitung Kelas Distribusi Naïve Bayes

1. Deklarasikan variabel out bertipe HashMap<Object, Double>.

2. Deklarasikan variabel featureName_HT bertipe Hashtable<Integer,

Hashtable<Double, ClassCounter>>.

3. Deklarasikan freq bertipe double[].

4. Deklarasikan total bertipe double.

5. Untuk k=0 , dan selama memenuhi syarat k<numClasses lakukan

langkah 6-13.

6. Deklarasikan denominator bertipe double.

7. Deklarasikan classScore bertipe double.

8. Selama Object key : featureName_HT.keySet(), lakukan langkah 9-11.

9. Deklarasikan featureName dan numValues bertipe integer.

10. Deklarasikan featureValue dan numerator bertipe double.

11. Lakukan classScore += fnc.log2(numerator + 1) - fnc.log2(denominator

+ numValues).

12. Lakukan out.put(classes[k], classScore).


36

13. Lakukan total = total + Math.pow(2,classScore).

14. Untuk l=0 , dan selama l<classes.length lakukan langkah 15-16.

15. Deklarasikan classScore bertipe double.

16. Lakukan out.put(classes[l], Math.pow(2.0,(classScore-

fnc.log2(total)))).

17. Kembalikan nilai out.

3.5 Desain Antarmuka Sistem

3.5.1 Halaman Utama

Gambar 3.6 Desain halaman utama

Halaman beranda merupakan halaman utama yang muncul pertama kali saat

sistem dijalankan. Halaman ini memiliki menu bar yaitu menu dan keluar. Saat


37

bar menu di klik maka akan menampilkan Gambar 4.2 dan saat bar keluar di klik

maka akan keluar dari sistem.

Gambar 3.7 Desain isi Bar Menu

3.5.2 Halaman Bantuan

Gambar 3.8 Desain Halaman Bantuan


38

Halaman bantuan merupakan halaman yang berfungsi untuk memberikan

petunjuk penggunaan sistem kepada pengguna. Petunjuk yang diberikan yaitu cara

mengakses form, cara menguji akurasi, cara keluar program. Halaman ini juga

memiliki menu bar yaitu bar menu dan keluar. Saat bar menu di klik maka akan

menampilkan Gambar 4.2 dan saat bar keluar di klik maka akan keluar dari sistem.

3.5.3 Halaman Uji Akurasi

Gambar 3.9 Desain Halaman Uji Akurasi

Halaman uji akurasi merupakan halaman yang berfungsi untuk melakukan

uji akurasi terhadap data yang akan di klasifikasi menggunakan algoritma Naïve

Bayes. Pada halaman ini pertama-tama pengguna menekan tombol open file untuk


39

membuka file data yang akan di klasifikasikan, setelah itu akan muncul kotak

dialog seperti gambar 4.5, cari lokasi file lalu tekan tombol open. Selanjutnya

isikan jumlah fold pada combo box fold lalu klik button proses untuk melihat hasil

akurasi dari file data yang diklasifikasi.

3.5.4 Halaman Uji Data Tunggal

Gambar 3.10 Desain Halaman Uji Data Tunggal

Halaman uji data tunggal merupakan halaman yang berfungsi untuk

melakukan pengujian data tunggal untuk melakukan prediksi data penyakit

hipertensi. Pada halaman ini pertama-tama pengguna menekan tombol open


40

dataset dan open data test untuk membuka file data yang akan di uji, setelah itu

akan muncul kotak dialog seperti gambar 4.5, cari lokasi file lalu tekan tombol

open. Selanjutnya klik button proses untuk melihat hasil prediksi dari file data

yang diuji.

3.6 Perancangan Struktur Data

Perancangan struktur data dalam pembuatan sistem ini digunakan untuk

menyimpan dan mengorganisasikan informasi yang tersedia. Struktur data sendiri

dapat membantu pengolahan data agar lebih efisien. Pada sistem yang akan

dirancang, struktur data yang digunakan adalah konsep struktur data hashmap.

Hashmap atau sering disebut hash tables merupakan struktur data yang

sering digunakan untuk mengimplementasikan ADT (Abstract Data Type) pada

sebuah Dictionary, yang hanya mengizinkan pencarian, penyisipan, dan

penghapusan elemen-elemen yang ada di dalamnya. (Ruli dkk, 2008.).

Dalam tabel hash yang digunakan pada Java, setiap lokasi array adalah suatu

list berantai yang berisi pasangan kunci/nilai (atau mungkin juga list kosong). Jika

dua item memiliki kode hash yang sama, maka kedua item tersebut akan ada pada

list yang sama. Berikut desain struktur data dari hashmap :


41

Gambar 3.11 Struktur kode hashmap

Pada gambar 3.11., hanya ada satu item dengan kode hash 0, tidak ada item

dengan kode hash 1, dua item dengan kode hash 2, dan seterusnya. Pada tabel

hash yang dirancang dengan benar, hampir semua list berantai berisi nol atau satu

elemen saja, dengan rata-rata panjang list kurang dari 1. Meskipun kode hash dari

suatu kunci mungkin tidak membawa kita langsung pada kunci yang kita mau,

akan tetapi tidak akan lebih dari satu atau dua item yang harus kita cari sebelum

kita sampai pada item yang kita inginkan (Anonim. 2012).

3.7 Pengujian

Pengujian dilakukan untuk mengetahui akurasi dari proses klasifikasi.

Akurasi merupakan presentase data yang terklasifikasikan dengan benar.

Pengujian ini menggunakan k-fold cross validation dengan membagi data menjadi

beberapa bagian untuk training dan testing. Dari jumlah data, akan dibagi menjadi

beberapa bagian dan digunakan untuk testing dan training. Proses tersebut


42

dilakukan beberapa kali dengan kombinasi kelompok data yang berbeda-beda.

Hasil dari proses tersebut dapat dibentuk menjadi tabel confusion matrix dimana

tabel tersebut dapat diketahui jumlah data yang teridentifikasi secara benar untuk

selanjutnya dihitung akurasinya.


43

BAB IV

IMPLEMENTASI SISTEM

Bab ini akan membahas hasil penelitian yang berupa sistem yang telah

dibangun berdasarkan perancangan yang telah dibahas pada bab sebelumnya dan

hasil yang didapatkan dari sistem. Implementasi yang dijelaskan berupa software

dan hardware yang digunakan dalam implementasi sistem dan implementasi kelas

pembuatan sistem.

4.1 Spesifikasi Software dan Hardware

Spesifikasi software dan hardware yang digunakan dalam implementasi

sistem ini adalah :

Bahasa Pemograman : Java Netbeans IDE 7.2.1

Processorss : Intel Core i5-5200, 2.7GHz

Memory : 4 GB

Harddisk : 500 GB

Operating System (OS) : Windows 10 Enterprise 64-bit


44

4.2 Implementasi User Interface

Pada bagian ini akan dibahas mengenai implementasi dari sistem yang telah

dirancang pada bab sebelumnya. Sistem ini mempunyai tiga halaman yaitu

halaman beranda, halaman bantuan, dan halaman uji akurasi.

4.2.1 Halaman Beranda

Gambar 4.1 Tampilan User Interface Halaman Beranda

Halaman beranda merupakan halaman utama yang muncul pertama kali saat

sistem dijalankan. Halaman ini memiliki menu bar yaitu menu dan keluar. Saat

bar menu di klik maka akan menampilkan Gambar 4.2 dan saat bar keluar di klik

maka akan keluar dari sistem.


45

Gambar 4.2 Tampilan User Interface Isi Bar Menu

4.2.2 Halaman Bantuan

Gambar 4.3 Tampilan User Interface Halaman Bantuan

Halaman bantuan merupakan halaman yang berfungsi untuk memberikan

petunjuk penggunaan sistem kepada pengguna. Petunjuk yang diberikan yaitu cara

mengakses form, cara menguji akurasi, cara keluar program. Halaman ini juga


46

memiliki menu bar yaitu bar menu dan keluar. Saat bar menu di klik maka akan

menampilkan Gambar 4.2 dan saat bar keluar di klik maka akan keluar dari sistem.

4.2.3 Halaman Uji Akurasi

Gambar 4.4 Tampilan User Interface Uji Akurasi

Halaman uji akurasi merupakan halaman yang berfungsi untuk melakukan

uji akurasi terhadap data yang akan di klasifikasi menggunakan algoritma Naïve

Bayes. Pada halaman ini pertama-tama pengguna menekan tombol open file untuk

membuka file data yang akan di klasifikasikan, setelah itu akan muncul kotak

dialog seperti gambar 4.5, cari lokasi file lalu tekan tombol open. Selanjutnya


47

isikan jumlah fold pada combo box fold lalu klik button proses untuk melihat hasil

akurasi dari file data yang diklasifikasi.

4.2.4 Halaman Uji Data Tunggal

Gambar 4.5 Tampilan User Interface Uji Data Tunggal

Halaman uji data tunggal merupakan halaman yang berfungsi untuk

melakukan prediksi data tunggal hipertensi menggunakan algoritma Naïve Bayes.

Pada halaman ini pertama-tama pengguna menekan tombol open dataset untuk

membuka file dataset yang akan di klasifikasikan, kemudian menekan tombol

open data test untuk membuka file data test yang akan diprediksi setelah itu akan

muncul kotak dialog seperti gambar 4.6, cari lokasi file lalu tekan tombol open.


48

Selanjutnya klik button proses untuk melihat hasil prediksi. Hasil prediksi

didapatkan dari hasil probabilitas tertinggi yang muncul pada field.

Gambar 4.6 Tampilan kotak dialog.

4.3 Proses Input Data

Pada subbab ini akan dibahas langkah-langkah bagaimana sistem melakukan

preprocessing dari data hipertensi RSU Prov. NTB agar data tersebut nantinya

dapat dimasukkan ke dalam proses klasifikasi. Data yang digunakan adalah data

yang berbentuk teks, agar data teks tersebut dapat diproses dengan klasifikasi

maka langkah pertama adalah membaca data teks kemudian menulis ulang

menjadi data yang dapat di proses oleh sistem ke dalam klasifikasi.


49

4.3.1 Membaca Data Teks ke dalam Sistem

Pada tahap ini, sistem akan melakukan pembacaan file teks, dimana proses

pembacaan teks dilakukan per barisan teks dengan melakukan perulangan untuk

membaca teks dari baris awal sampai dengan baris akhir. Berikut kode

programnya :

Implementasi pada kode program diatas, untuk melakukan perulangan

sampai baris terakhir dan selanjutnya dilakukan pembacaan teks per baris.

Kode program diatas berfungsi untuk melakukan pembacaan teks sesuai

dengan file yang nantinya dipilih oleh pengguna.

public class LineIterator implements Iterable<String>, Iterator<String>,

Closeable{

private BufferedReader in = null;

private String next = null;

private static InputStream stream(File f) {

try {

return new FileInputStream(f);

} catch (FileNotFoundException e) {

throw new RuntimeException(e);

}

}


50

Kode program diatas akan melakukan pembacaan teks perbaris, dimana jika

terdapat comments atau blank dengan inisiasi karakter ‘#’ dan ‘//’ pada teks, maka

tidak dianggap sebagai teks dan akan dilewati. Selanjutnya, untuk melakukan

proses perhitungan klasifikasi, sistem perlu melakukan penulisan ulang pada isi

dari data teks.

public LineIterator(Reader reader, boolean skipComments, boolean

skipBlanks) {

try {

in = new BufferedReader(reader);

next = in.readLine();

if (next == null) {

in.close();

}

} catch (IOException e) {

throw new RuntimeException(e);

}

commentIdentifiers.add("#");

commentIdentifiers.add("//");

if (skipComments) {

setSkipComments(true);

}

setSkipBlanks(true);

}

}


51

4.3.2 Menulis Ulang Teks di dalam Sistem

Pada tahap ini akan dilakukan penulisan ulang isi dari data teks yang telah

dibaca ke dalam sistem agar dapat di proses ke dalam klasifikasi Naïve Bayes.

Langkah – langkah yang akan dilakukan sistem yaitu :

1. Memecah nilai berdasarkan separator (pemisah)

2. Mengubah nilai menjadi bertipe double untuk kelas pembanding dan

string untuk kelas yang dibandingkan, hal ini dilakukan agar nilai dapat

dimasukkan ke dalam proses perhitungan klasifikasi

3. Menyimpan ke dalam dataset.

Langkah pertama dalam melakukan penulisan ulang isi dari data teks adalah

memecah nilai berdasarkan separator (pemisah). Berikut adalah kode programnya

Kode program diatas adalah langkah pertama dimana program akan

membuat tempat penyimpanan untuk data yang telah ditulis ulang pada out.

Kemudian, akan melakukan perulangan sebanyak jumlah baris pada data dan

dilakukan pemisahan berdasarkan separator dengan perintah split dan

menyimpannya pada string array yaitu arr. Terakhir, membuat tempat

Dataset out = new DefaultDataset(); //disimpan ke dalam out

for (String line : it) {

String[] arr = line.split(separator);

//proses pemisahan value dengan separator

double[] values; //menyimpan value


52

penyimpanan untuk nilai kelas pembanding yang akan diubah menjadi bertipe

double ke dalam double array yaitu values.

Langkah kedua adalah mengubah nilai menjadi bertipe double untuk kelas

pembanding dan string untuk kelas yang akan dibandingkan. Untuk melakukan

hal ini, pertama akan dilakukan perulangan sebanyak jumlah baris yang dipisah

(split). Selama melakukan perulangan, masukkan nilai sesuai index dengan

ketentuan index ke-0 adalah nilai kelas yang dibandingkan dan index selanjutnya

adalah nilai yang dibandingkan kemudian menggabungkan kembali menjadi

sebuah array yang berisi nilai kelas yang dibandingkan dan kelas pembanding.

String classValue = null; // karena classValue adalah string yes atau no

for (int i = 0; i < arr.length; i++) {

if (i == classIndex) { //jika i=classValue

classValue = arr[i]; // simmpan ke classValue

} else {

double val;

try {

val = Double.parseDouble(arr[i]);

} catch (NumberFormatException e) {

val = Double.NaN;

}


53

if (classIndex != -1 && i > classIndex)

values[i - 1] = val;

else

values[i] = val;

}

}

out.add(new DenseInstance(values, classValue));

}

return out;

}

Kode program diatas akan melakukan perulangan sebanyak baris yang

dipisah kemudian untuk kelas yang ke-0 akan disimpan ke dalam string yaitu kelas

value dan kelas index sisanya dikonversi menjadi double, kemudian disimpan ke

di array double yaitu values dan terakhir nilai kelas pembanding dan kelas yang

dibandingkan ditambahkan ke kelas dense instance untuk kemudian nantinya

menjadi data yang dipakai utuk melakukan perhitungan klasifikasi.

4.4 Implementasi Algoritma Naïve Bayes pada Sistem

Pada tahap ini akan dijelaskan proses implementasi dari perhitungan

algoritma Naïve Bayes. Langkah-langkah yang dilakukan dalam proses klasifikasi

dengan algoritma Naïve Bayes adalah :

1. Menghitung frekuensi kelas yang dibandingkan dan kelas pembanding

2. Menghitung probabilitas yang dibandingkan dan kelas pembanding


54

3. Menghitung nilai likelihood dengan mengkalikan semua probabilitas

kelas

4. Normalisasi nilai likelihood ke dalam bentuk probabilitas

5. Membandingkan nilai probabilitas likelihood dan nilai tertinggi untuk

dijadikan hasil akhir klasifikasi.

4.4.1 Menghitung Frekuensi Kelas

Langkah pertama dalam proses klasifikasi algoritma Naïve Bayes adalah

menghitung frekuensi kelas. Frekuensi adalah banyaknya sebuah data dalam

kategori tertentu. Berikut kode programnya :

Kode program diatas, sistem akan menyimpan nilai dari frekuensi kelas

kedalam sebuah array double. Kemudian melakukan perulangan sebanyak jumlah

kelas yang dimiliki oleh data hipertensi dan mensetting nilai frekuensi kelas

menjadi 0. Selanjutnya dilakukan perulangan sehingga frekuensi kelas akan

private double[] HitungFrekuensiKelas(Dataset Instances2Train) {

double[] FrekuensiKelas = new double[numClasses];

for (int i = 0; i < numClasses; i++) {

FrekuensiKelas[i] = 0;

}

for (Instance inst : Instances2Train) {

FrekuensiKelas[Classname2IndexCCountermap.get(inst.classValue())]++;}

return FrekuensiKelas;

}


55

otomatis bertambah 1 sesuai dengan setiap data yang muncul pada kategori

tertentu. Lalu, sistem akan menambahkan satu pada tiap kelas pembanding yang

muncul, hal ini dapat dilakukan dikarenakan Classname2IndexCCountermap

dapat mendeteksi kepemilikan kelas pada nilai kelas pembanding sehingga ketika

nilai keluar, maka pada kelas pemilik sistem akan menambahkan nilai satu.

Kode program diatas, sistem membuat nama untuk tiap nilai kelas

pembanding pada data training, sehingga sistem akan menambah nilai frekuensi

kelas data ketika dipanggil.

4.4.2 Menghitung Probabilitas Kelas

Langkah kedua adalah menghitung probabilitas kelas dari masing-masing

kelas. Dalam proses klasifikasi Naive Bayes, perhitungan probabilitas kelas dapat

dihitung menggunakan rumus berikut :

P(Wk|Vj) = Nk+1

N+|vocabulary|

Rumus 4.1 Perhitungan probabilitas P(Wk | Vj)

for (Object o : trainingData.classes()) {

String classname = o.toString();

Classname2IndexCCountermap.put(classname, cnt);

classes[cnt] = classname;

cnt++;

}


56

Rumus diatas akan diimplemetaskan ke dalam kode program berikut :

Pada kode program diatas, sistem akan membuat sebuah array untuk

menyimpan nilai frekuensi dan probabilitas, kemudian lakukan iterasi sebanyak

jumlah kelas untuk melakukan perhitungan probabilitas.

4.4.3 Menghitung Kelas Distribusi Naïve Bayes

Langkah ketiga adalah menghitung probabilitas likelihood dari Naïve Bayes

dengan mengkalikan semua probabilitas kelas, kemudian menormalisasi hasil

likelihood ke dalam bentuk probabilitas, dan kemudian membandingkan

probabilitas kelas yang dibandingkan untuk mendapatkan hasil akhir dari

klasifikasi. Yang pertama dilakukan adalah membuat suatu tempat penyimpanan

untuk menyimpan nilai frekuensi, fitur tabel dan menyimpan hasil klasifikasi.

Berikut kode programnya :

private double[] HitungProbsKelas() {

double[] probs = trainResult.getClassFreqs().clone();

// menyimpan probabilitas kelas

double[] freq = trainResult.getClassFreqs().clone();

for (int k = 0; k < numClasses; k++) {

probs[k] = (freq[k] + 1) / (numInstances +

numClasses);

}

return probs;

}


57

Untuk langkah selanjutnya adalah menghitung probabilitas nilai kelas yang

akan dibandingkan dengan menggunakan rumus :

P(yes/no) = |doc j|

|Contoh|

Rumus 4.2 Perhitungan probabilitas yes atau no

Rumus diatas akan diimplemetaskan ke dalam kode program berikut :

Kode program diatas akan melakukan perulangan untuk menghitung

probabilitas nilai kelas yang akan dibandingkan sebanjak jumlah kelas. Dalam

kasus ini, diulang 4 kali karena kelas yang akan dibandingkan adalah 4 (normal,

pre, stadium 1, stadium 2). Selanjutnya sistem akan menghitung nilai dari kelas

HashMap<Object, Double> out = new HashMap<Object,

Double>(numClasses); //menyimpan hasil klasifikasi

coverAbsentFeatures_And_fill_helpMap(inst);

Hashtable<Integer, Hashtable<Double, ClassCounter>>

featureName_HT = trainResult.getFeatureTable(); //menyimpan fitur table

double[] freq = trainResult.getClassFreqs().clone();

double total = 0;

for (int k = 0; k < numClasses; k++) {

double denominator = freq[k];

double classScore2 = freq[k]/numInstances;


58

pembanding lainnya dengan menggunakan rumus perhitungan probabilitas P(Wk

| Vj) (Rumus 4.2).

Kemudian mengkalikan seluruh probabilitas kelas pembanding untuk

kategori yes dan no untuk mendapatkan likelihood yang nantinya akan

dibandingkan. Selanjutnya sistem akan menghitung probabilitas kelas

pembanding yang muncul dan mengkalikan seluruhnya untuk mendapatkan

likelihood, kemudian sistem akan menormalisasi nilai likelihood agar berbentuk

probabilitas dengan cara likelihood yes ataupun no dibagi hasil total dari

penjumlahan hasil perkalian likelihood yes dan no.

for (Object key : featureName_HT.keySet()) {

int featureName = (Integer) key;

int numValues = featureName_HT.get(featureName).size();

Double featureValue = getInstValue(featureName, inst);

double numerator = featureName_HT.get(featureName).get(

featureValue).getCountClass(k);

classScore2 *= (numerator+1)/(denominator+numValues);

}

//menghitung probabilitas kelas pembanding

out.put(classes[k], classScore2);

total = total +classScore2;

}


59

//Normalizing to probabilities

for (int l = 0; l < classes.length; l++) {

double classScore2 = out.get(classes[l]);

out.put(classes[l], classScore2/total);

}

return out;

}

Setelah mendapatkan nilai probabilitas, sistem akan melakukan

perbandingan kemudian mengembalikan nilai probabilitas tertinggi sebagai hasil

akhir klasifikasi. Berikut kode programnya :

public Object classify(Instance instance) {

Map<Object, Double> distribution =

KelasDistribusi(instance);

double max = 0;

Object out = null;

for (Object key : distribution.keySet()) {

if (distribution.get(key) > max) {

max = distribution.get(key);

out = key;

}

}

return out;

}


60

4.5 Pengujian

4.5.1 Menhitung Evaluasi Cross Validation

Teknik cross validation digunakan untuk melakukan validasi keakuratan

dari suatu klasifikasi. Pada tahap ini akan dijelaskan beberapa proses dalam

melakukan evaluasi dengan cross validation. Untuk melakukan evaluasi

klasifikasi dengan teknik cross validation, perlu diperhatikan beberapa langkah

yaitu :

1. Melakukan perulangan sebanyak jumlah fold. Selama perulangan

tersebut lakukan pengambilan satu data sebagai data validasi dan sisanya

sebagai data latih / training.

2. Lakukan klasifikasi pada data training dengan algoritma Naïve Bayes.

3. Tentukan true positive, true negative, false positive, dan false negative.

Langkah pertama yang dilakukan pada sistem adalah membuat tempat

penyimpanan data untuk validasi dan data untuk training. Berikut kode

programnya :

for (int i = 0; i < numFolds; i++) {

Dataset validation = folds[i]; //untuk menyimpan data validasi

Dataset training = new DefaultDataset(); //untuk menyimpan data training

Pada kode program diatas, perulangan dilakukan untuk mengambil data yang

akan dijadikan data validasi. Perulangan dilakukan sebanyak jumlah fold yang


61

diinnginkan. Setelah pengambilan data validasi, sisa dari data dijadikan sebagai

data training.

for (int j = 0; j < numFolds; j++) {

if (j != i)

training.addAll(folds[j]);

} classifier.buildClassifier(training);

Pada kode program diatas perulangan digunakan untuk mengambil semua

data terkecuali data yang dijadikan sebagai data validasi dan melatihnya dengan

klasifikasi Naïve Bayes. Selanjutnya adalah menentukan jumlah true positive,

jumlah true negative, jumlah false positive, jumlah false negative.

for (Instance instance : validation) {

//selama instance bagian dari validation

Object prediction = classifier.classify(instance);

Pada bagian kode program diatas, akan dilakukan pengecekan pada data yang

dijadikan validasi dan dicocokan dengan data yang telah di training dengan

melakukan proses klasifikasi.

for (Instance instance : validation) { //selama instance bagian dari validation

Object prediction = classifier.classify(instance);


62

if (instance.classValue().equals(prediction)) {// prediction == class

for (Object o : out.keySet()) {

if (o.equals(instance.classValue())) {

out.get(o).tp++;

} else {

out.get(o).tn++; } }

Pada bagian kode program diatas, setelah proses dijalankan, maka

pengecekan akan dimulai dari klasifikasi yang bernilai benar terlebih dahulu.

Apabila klasifikasi bernilai benar (nilai data validasi dan nilai data training sama),

maka untuk data selanjutnya yang bernilai benar positive maka data tersebut

masuk ke dalam kategori tp++. Dan jika data yang benar bernilai negative maka

masuk ke dalam kategori tn++.

else {// prediction != class

for (Object o : out.keySet()) {

/* prediction is positive class */

if (prediction.equals(o)) {

out.get(o).fp++;

}


63

/* instance is positive class */

else if (o.equals(instance.classValue())) {

out.get(o).fn++;

}

/* none is positive class */

else {

out.get(o).tn++; }

}}}}

return out; //mengembalikan nilai out(hasil)

}

Pada bagian kode program diatas, sistem akan mengecek hasil klasifikasi

yang salah (jika data validasi bernilai benar dan data training bernilai salah atau

sebaliknya). Maka untuk data selanjutnya jika data salah bernilai positive maka

masuk ke dalam kategori fp++, dan jika data salah bernilai negative maka masuk

ke dalam kategori fn++.

4.5.2 Menghitung Akurasi

Setelah mendapatkan hasil dari true positive (tp), true negative (tn), false

positive (fp), false negative (fn), untuk langkah selanjutnya adalah menghitung


64

akurasi atau frekuensi benar dari sebuah klasifikasi. Menghitung akurasi dari

sebuah klasifikasi dapat mengunakan rumus sebagai berikut :

(A+B) / C

A = jumlah klasifikasi positive benar (true positive)

B = jumlah klasifikasi negative benar (true negative)

C = jumlah total seluruh data

Kemudian rumus tersebut diimplementasikan ke dalam kode program sebagai

berikut :

public double getAkurasi() {

return (this.tp+this.tn)/this.getTotal();

}

4.5.3 Menghitung Error Rate

Setelah mendapatkan hasil dari true positive (tp), true negative (tn), false

positive (fp), false negative (fn), dan hasil dari akurasi, untuk langkah selanjutnya

adalah menghitung error rate atau frekuensi salah dari sebuah klasifikasi.

Menghitung error rate dari sebuah klasifikasi dapat mengunakan rumus sebagai

berikut :


65

public double getErrorRate() {

return (this.fp+this.fn)/this.getTotal();

}

(A+B) / C

A = jumlah klasifikasi positive salah (false positive)

B = jumlah klasifikasi negative salah (false negative)

C = jumlah total seluruh data

Kemudian rumus tersebut diimplementasikan ke dalam kode program sebagai

berikut :

4.5.4 Melakukan Pengujian Data Tunggal

Pada tahap ini akan dilakukan pengujian data tunggal untuk mendapatkan

hasil prediksi klasifikasi jenis penyakit hipertensi. Dimana untuk mendapatkan

hasilnya dataset akan dibandingkan dengan data test untuk kemudian dilakukan

perhitungan probabilitas tiap kelas, dan nilai probabilitas tertinggi menjadi hasil

akhir untuk menentukan prediksi. Berikut kode programnya :

Dataset data = FileHandler.loadDataset(new File("d:/hypertension.data"), 14,

",");

Dataset dataForClassification = FileHandler.loadDataset(new

File("d:/hypertensionsingledata.data"), 14, ",");


66

boolean useLaplace = true;

boolean useLogs = true;

Classifier nbc = new NaiveBayesClassifier(useLaplace, useLogs,

false);

nbc.buildClassifier(data);

for (Instance inst : dataForClassification) {

System.out.println("Instance :" + inst);

System.out.println("kelas distribusi instance :" +

nbc.KelasDistribusi(inst));

System.out.println("kelas value instance :" + inst.classValue());

System.out.println("hasil klasifikasi :" + nbc.classify(inst));

System.out.println();

}

Pada program diatas, sistem akan melakukan import dataset dan data test,

selanjutnya akan dilakukan perulangan untuk melakukan perbandingan terhadap

kedua data tersebut dan melakukan perhitungan probabilitas pada tiap kelas.


67

BAB V

PENGUJIAN DAN ANALISA HASIL

Pada bab ini akan dibahas mengenai hasil dari pengujian sistem yaitu proses

klasifikasi dan akurasi pada dataset hipertensi serta menganalisa hasil proses

tersebut.

5.1 Hasil Pengujian Sistem

Tahap akhir pada penelitian ini adalah pengujian sistem yang telah dibangun

menggunakan algoritma Naïve Bayes. Pada tahap ini, pengujian akan dilakukan

untuk melihat hasil akurasi dan hasil prediksi data tunggal.

5.1.1 Hasil Uji Akurasi

Proses dari uji akurasi ini dilakukan dengan menggunakan teknik k-fold cross

validation yaitu membagi dataset menjadi beberapa kelompok data training dan

data testing. Dalam pengujian ini, penulis menggunakan 3 fold, 5 fold, 10 fold, 15

fold, dan 15 fold.

Selanjutnya, setelah data dikelompokkan menjadi beberapa kelompok (sesuai

nilai fold), maka langkah selanjutnya menghitung tingkat akurasi dari dataset

hipertensi. Proses perhitungan tingkat akurasi data menggunakan rumus yang

telah dibahas pada bab sebelumnya. Berikut hasil dari pengujian sistem :


68

Gambar 5.1 Dataset yang akan diuji


69

Gambar 5.2 Hasil uji akurasi menggunakan 3 fold.

Gambar diatas merupakan hasil uji akurasi menggunakan 3 fold cross

validation dimana didapatkan hasil akurasi sejumlah 90.1 % dan error rate

sejumlah 9.9 %.


70

Gambar 5.3 Hasil uji akurasi menggunakan 5 fold



sejumlah 9.6 %.


71




sejumlah 8.8 %.


72




sejumlah 9.9 %.


73




sejumlah 9.2 %.


74

Setelah dilakukan pengujian pada sistem menggunakan 3, 5, 10, 15 dan 20

fold cross validation maka hasil pada tabel berikut :

Tabel 5.1 Tabel Hasil Akurasi Sistem

Fold Hasil Akurasi Error Rate

3 90.1 9.9

5 90.4 9.6

10 91.2 8.8

15 90.1 9.9

20 90.8 9.2

Dari hasil pengujian pada sistem seperti terlihat pada tabel diatas dapat

disimpulkan bahwa :

1. Jumlah fold dapat mempengaruhi hasil dari akurasi.

2. Nilai rata-rata prosentase untuk hasil dari akurasi sebesar 90.52%

3. Nilai rata-rata prosentase untuk hasil dari error rate sebesar 9.48%

4. Pada pengujian diatas, yang memiliki hasil maksimal prosentase akurasi

adalah pada pengujian dengan menggunakan fold bernilai 10, sedangkan

yang memiliki hasil akurasi terendah adalah di pengujian dengan

menggnakan fold bernilai 3 dan 15.


75

5. Pada pengujian diatas yang memiliki hasil maksimal prosentase error rate

tertinggi adalah di pengujian dengan menggunakan fold bernilai 3 dan 15,

sedangkan yang memiliki hasil prosentase error rate terendah adalah di

pengujian dengan menggunakan fold bernilai 10.

5.1.2 Hasil Uji Data Tunggal

Proses dari uji data tunggal ini adalah pengguna melakukan impor data

tunggal dan dataset, selanjutnya melakukan perhitungan nilai probabilitas

menggunakan rumus yang telah dibahas pada bab sebelumnya. Berikut hasil dari

pengujian sistem :

Gambar 5.7 Dataset yang akan diuji


76

Gambar 5.8 Data testing atau data tunggal yang akan diuji

Gambar 5.9 Hasil pengujian data tunggal.

Dari pengujian diatas didapatkan hasil prediksi jenis hipertensi berupa PRE.

Hasil pengujian untuk data tunggal tersebut didapatkan dari nilai probabilitas tiap

kelas dimana nilai probabilitas tertinggi menjadi hasil prediksi untuk data tunggal

yang diuji.


77

Gambar 5.10 Prediksi jumlah data benar dan salah

Dari pengujian diatas didapatkan hasil prediksi jumlah data benar sebesar 635

dan data salah sebesar 19. Hasil pengujian diatas didapatkan dari hasil perhitungan

confusion matrix dengan menjumlahkan total tupel true positive untuk data yang

diprediksi benar dan menjumlahkan tupel false negative untuk data yang

diprediksi salah.


78

BAB VI

PENUTUP

1.1 Kesimpulan

Berdasarkan hasil penelitan klasifikasi hipertensi menggunakan algoritma

Naïve Bayes ini, dapat diambil kesimpulan sebagai berikut :

1. Algoritma Naïve Bayes dapat melakukan dan memberikan hasil prediksi

dari data penyakit hipertensi yang diambil dari RSU Provinsi NTB,

dimana hasil prediksi jenis hipertensi diambil dari nilai tertinggi

probabilitas jenis hipertensi berdasarkan inputan atribut jenis kelamin

(sex) umur, HGB, HCT, WBC, PLT, asam urat, kolesterol LDL,

kolesterol HDL, kolesterol total, kreatinin, sistolik, diastolik, ureum dan

trigilserida.

2. Dari hasil pengujian tingkat akurasi data dengan menggunakan 3, 5, 10,

15, 20 fold dalam sistem ini, maka dihasilkan rata-rata akurasi sebesar

90.52%

1.2 Saran

Sebagai akhir dari penelitian ini, terdapat beberapa saran yang dapat berguna

bagi mahasiswa dan peneliti lainnya, antara lain sebagai berikut :

1. Sistem ini dapat dikembangkan agar dapat menerima file dengan

ekstensi file .arf, .dat, .xls dan lain-lain.


79

2. Hasil klasifikasi dapat dikembangkan dalam bentuk grafik sehingga

lebih interaktif.

3. Sistem hanya terbatas pada jumlah atribut yang diinputkan secara statis,

yaitu 15 variabel input. Oleh, karena itu, agar sistem dapat berjalan

dengan baik, pengguna dapat lebih fleksibel dalam memilih atribut yang

digunakan.


80

DAFTAR PUSTAKA

Pang-Ning Tan, Michael Steinbach, Vipin Kumar.(2006). Introduction to Data

Mining.Boston: Pearson Education, Inc.

Jiawei Han, Micheline Kamber (2006). Data Mining: concept and techniques.

San Francisco: Elsevier Inc.

Santosa Budi (2007), Data Mining: Teknik Pemanfaatan Data Untuk

Keperluan Bisnis. Yogyakarta: Graha Ilmu.

“The Sevent Report of the Joint National Committe (JNC 7) on Prevention,

Detection, Evaluation, and Treatment of High Blood Pressure”, U.S. Department of

Health and Human Services, 2003.

“The Eight Report of the Joint National Committe (JNC 8) on Prevention,

Detection, Evaluation, and Treatment of High Blood Pressure”, U.S. Department of

Health and Human Services, 2003.

Wicaksana, Paulus Dian. (2015). “Perbandingan Algoritma K-Nearest

Neighbors dan Algoritma Naïve Bayes untuk Studi Data Wisconsin Diagnosis Breast

Cancer”. Skripsi. Yogyakarta: Teknik Informatika Sanata Dharma.

Setiawan, Carolus Benny Dwi.(2015). “Prediksi Penjualan Helm

Menggunakan Algoritma Naïve Bayesian, Studi Kasus : Distribusi Perusahaan XYZ di

Wilayah Jawa Tengah dan Daerah Istimewa Yogyakarta”. Skripsi.Yogyakarta: Teknik

Informatika Sanata Dharma.


81

LAMPIRAN

FLOWCHART ALUR SISTEM


82

LAMPIRAN II

DATA HIPERTENSI RSU PROVINSI NTB SEBELUM PREPROCESSING


83


84


85


86


87


88


89


90


91

LAMPIRAN III

DATA HIPERTENSI RSU PROVINSI NTB SESUDAH PREPROCESSING


92


93


94


95


96


97


98


99


100


Documents

KLASIFIKASI PENYAKIT HIPERTENSI MENGGUNAKAN ALGORITMA · PDF fileiii halaman persetujuan tugas akhir klasifikasi penyakit hipertensi menggunakan algoritma naÏve bayes studi kasus